Medikal görüntüleme sistemlerinde derin öğrenme ile gürültü azaltımı ve görüntü iyileştirme

Tıbbi görüntüleme hastalıkların teşhisi, izlenmesi ve tedavisi için hayati öneme sahip bilgiler sunmaktadır. Ancak, görüntü kalitesi ile tarama süresi arasındaki ters ilişki, günümüz sistemlerinin en büyük zorluklarından biridir. Bu tezde, ileri düzey derin öğrenme tekniklerinden yararlanarak, Raman spektroskopisi ve fotoakustik mikroskopide düşük kaliteli biyolojik sinyallerin ve görüntülerin iyileştirilmesi için yenilikçi yöntemler ele alınmaktadır. Raman spektroskopisi moleküler bilgi sağlama yeteneği ile öne çıkmakla birlikte, özellikle doku örnekleri üzerinde çalışırken uzun pozlama süreleri gerektirmektedir. Bu soruna çözüm olarak, on kat daha düşük pozlama süreleriyle elde edilen Raman spektrumlarında gürültü azaltımı için tam evrişimli bir kodlayıcı-çözücü mimarisi önerilmekteyiz. Elde ettiğimiz sonuçlar, geleneksel gürültü azaltma tekniklerine kıyasla üstün performans göstermekte olup, sinyal-gürültü oranında %20 ile %80 arasında iyileşme sağladığını ortaya koymaktadır. Öte yandan, fotoakustik mikroskopi, optik ve akustik görüntüleme avantajlarını bir araya getiren bir yöntemdir, ancak yüksek çözünürlükte geniş alanların taranması uzun zaman almaktadır. Bu problemi aşmak amacıyla, büyük veri kümelerine ihtiyaç duymadan görüntüleme sürecini hızlandıran DiffPam adlı yeni bir algoritma sunmaktayız. DiffPam, minimum bilgi kaybı ile tarama hızını beş kat artırmakta ve tepe sinyal-gürültü oranı ile yapısal benzerlik endeksi açısından geleneksel yöntemlere kıyasla üstün performans sergilemektedir. Raman spektroskopisi ve fotoakustik mikroskopideki bu gelişmeler, tıbbi görüntüleme kalitesi ve verimliliğini artırmak için derin öğrenmenin dönüştürücü potansiyelini ortaya koymaktadır.